센서 네트워크는 녹조(Eutrophication) 관리에 유용한 정보를 제공하는 고주파수·대규모 수질 데이터의 수집을 가능하게 하며, 예를 들어 클로로필 a(Chl-a) 농도를 들 수 있다. 딥러닝 모델은 대규모 환경 데이터로부터 유용한 통찰을 도출하는 데 성공적으로 적용되어 왔다. 그러나 센서 데이터에는 종종 결측값이 포함되어 딥러닝 모델 적용에 어려움이 발생한다. 따라서 우리는 단일 모델 구조 내에서 특징 공학, 예측, 해석을 동시에 수행하기 위해 감쇠 메커니즘을 갖는 역시간 어텐션 모델( REVERSE TIME ATTENTION MODEL WITH A DECAY MECHANISM, RETAIN-D )을 사용하였다. 입력 특성으로 다양한 환경, 수문, 기상 변수를 활용하여 Chl-a 기준의 초과 여부를 예측하였다. 자료는 2018년부터 2022년까지 대한민국 금강(Geum River) 인근 4개 모니터링 지점에서 수집되었다. RETAIN-D는 다양한 Chl-a 기준에 대해 테스트 세트에서 높은 예측 성능을 보였으며(정확도 = 0.84–0.90, AUC = 0.69–0.91, F-measure = 0.89–0.90), 그 성능은 기준에 따라 일관되게 유지되었다. Chl-a 기준의 초과 여부를 예측하는 데 있어 환경 변수의 중요도는 수문 및 기상 변수보다 더 높았다. 또한 입력 특성이 모델 예측에 기여하는 정도는, 목표 지점의 Chl-a 기준을 적용했을 때 더 최근의 시간 단계에서 전반적으로 더 높게 나타났다. 이러한 결과는 센서 네트워크로부터 얻은 고주파수 시계열 데이터를 분석하는 데 있어 RETAIN-D의 효과를 보여준다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.